hugging face 的 `datasets` 库默认会完整下载整个数据集，即使使用切片语法（如 `"train[:20%]"`）也无法避免；要真正实现轻量级加载，必须启用流式（streaming）模式，它支持边迭代边读取、无需本地存储全量数据。
在微调如 facebook/wav2vec2 等大型语音模型时，常需使用 Common Voice 等超大规模数据集（例如 common_voice_16_0 达 256GB），但本地磁盘空间有限。此时若误用常规切片方式：
from datasets import load_dataset
# ❌ 错误：仍会完整下载并解压全部数据（约256GB）
ds = load_dataset("mozilla-foundation/common_voice_16_0", "en", split="train[:20%]")该写法不会跳过下载——split="train[:20%]" 仅在数据已全部加载进内存/磁盘后才执行逻辑切片，因此无法缓解磁盘压力。
✅ 正确方案是启用 streaming=True：
它绕过本地缓存与完整下载，直接通过网络流式拉取样本，配合 .take()、.skip() 或 .shard() 等方法实现真正的“按需获取”：
from datasets import load_dataset
# ✅ 启用 streaming：不下载任何文件到磁盘
dataset_name = "mozilla-foundation/common_voice_16_0"
ds = load_dataset(dataset_name, "en", split="train", streaming=True)
# 取前 100 条样本（适用于快速验证或小规模实验）
ds_subset = ds.take(100)
# 转为可迭代对象（注意：streaming 数据集不支持索引 ds[0]）
for example in ds_subset:
print(example["sentence"]) # 示例字段
break? 关键注意事项：
- 流式数据集返回的是 IterableDataset，不支持随机访问（如 ds[42] 会报错），仅支持顺序遍历；
- 若需打乱（shuffle），须显式调用 .shuffle(buffer_size=2000)，其中 buffer_size 决定内存中缓存样本数（不宜过大）；
- 训练时建议搭配 torch.utils.data.IterableDataset 或 datasets.IterableDataset.to_torch_dataset() 使用；
- 部分数据集（尤其是含大音频/视频文件的）可能因服务器限速或网络波动影响流式稳定性，建议添加重试逻辑或预缓存关键子集。
? 进阶技巧：
若需固定比例采样（如 20%），可用 .shard() + .skip() 组合模拟，或借助 itertools.islice：
import itertools
ds = load_dataset("mozilla-foundation/common_voice_16_0", "en", split="train", streaming=True)
ds_20_percent = itertools.islice(ds, 0, None, 5) # 每5条取1条 ≈ 20%，适合均匀采样总之，streaming=True 是应对海量数据集磁盘瓶颈的核心机制——它将“下载→加载→切片”三步简化为“按需流式拉取”，兼顾效率与资源可控性。
